当前位置：首页>自动驾驶>自动驾驶的终局,是更强的 AI 大脑

自动驾驶的终局,是更强的 AI 大脑

2026-05-08 23:31:57

自动驾驶的终局,是更强的 AI 大脑

作者｜刘倩

有一个问题，整个自动驾驶行业问了十年，却从来没有真正回答过：

AI 到底有没有理解这个世界？

这个问题的答案，决定了自动驾驶未来十年走哪条路。

今年的北京车展，轻舟智航给出了自己的答案：通用物理 AI。

所谓物理 AI，指的是能真正理解现实世界并与之交互的 AI：不只是看懂图像、识别物体，而是理解物理规律、预判行为、在真实环境里做决策。所谓通用，是指未来物理AI也能做很多事情，而不是只做开车这一件事。

而要实现这一点，轻舟押注的核心路径，是世界模型+强化学习。

世界模型的核心价值，在于让智能驾驶系统从「识别物体」升级为理解世界、预判趋势，不再局限于简单的感知与路径规划。

进一步说，它将仿真推演、场景生成、动态轨迹预判融为一体，让车辆在人车混杂、突发状况多的复杂路况中，依然能做出安全、平顺、接近人类老司机的决策。

在这套技术逻辑下，城市 NOA 不再依赖海量人类驾驶数据拟合，也不必靠路测「碰运气」收集极端场景，而是采用实际道路数据与云端生成数据双向互补的模式——以真实数据为基，用云端世界模型生成「稀缺场景与强化学习」的训练数据，再将知识蒸馏到车端。

这套叙事，在智驾圈并不陌生，各个玩家的差别不在于讲没讲这个故事，而在于有没有用工程化落地来撑住它。

模仿人类，

是端到端的天花板

过去十年，是自动驾驶行业从无到有的探索十年。

从早期雷达与视觉融合的感知方案，到 BEV 架构、端到端模型逐步上车，再到高速 NOA、城区 NOA 功能落地，车辆完成了从「不能开」到「能开」、从「会开」到「开得稳」的跨越。

早期自动驾驶技术的局限十分清晰——系统依赖人类驾驶数据做监督学习，碰到训练集之外的场景便容易「卡壳」。而罕见场景靠路测采集效率极低，一个极端案例可能需要数百万公里才能自然触发。

这时候诞生了端到端：直接让 AI 学习人类成熟驾驶行为，理论上无限趋近人类司机，也更「丝滑」了。但数据的核心问题依然无解：处理极端场景的人类驾驶数据太稀缺了，一个行人突然横穿的案例，路测数周也未必碰上一次。

总体来看，传统自动驾驶有点像一个死记硬背交规的新手司机：看到红灯就停，看到行人就等，但在没见过的路口，面对多个目标同时博弈，往往就懵了。

端到端虽然进了一步，但还是在模仿人类，上限则卡死在「人类驾驶数据的天花板」里。

这个阶段的智驾系统，只是一台精准的「开车机器」，而非真正理解世界的通用物理 AI。

轻舟智航联合创始人、董事长兼CEO于骞对这个问题的判断很直白：

「数字 AI 处理虚拟世界里的事，物理 AI 要和现实世界直接打交道。围棋可以左右手互博数百万局，但自动驾驶不行，每一次测试都需要真实的车、真实的人。」

物理世界测试成本高、风险大、极端场景难以采集，这是整个行业的共同难题，也是世界模型这条路线被越来越多玩家押注的根本原因。

特斯拉、Wayve 等公司也在沿着相近的逻辑推进。「物理 AI 是方向，世界模型是路径。」这套逻辑框架，目前在行业内获得了相当程度的认同。

世界模型，相当于给 AI 装了个「世界模拟器」：

AI 能在脑子里想象出各种物理场景，车会怎么动、人会怎么走、雨天的刹车距离多长。就像一个极度逼真的赛车游戏，而且游戏里的物理规律和现实一模一样。
强化学习就是让 AI 在这个「游戏」里无限试错，练到有了「肌肉记忆」，等到现实路上，它已经是个老司机了。

在入场时机上，轻舟智航并不是跟风世界模型，而是从创业第一天就确立的长期技术判断。

轻舟从成立之初就将仿真作为核心基础设施，甚至在第一辆 Demo 车亮相前，仿真工具链就已搭建完成。

在 2024 年 Tech Day 上，轻舟首次系统性发布世界模型，并完整阐述其在自动驾驶中的工程化路径。

「大家都在做 VLA（视觉-语言-行动模型）的时候，我们反而在讲世界模型」，这句话，是他们反复强调的先手依据。

这条技术路线的核心主张是：

真正的世界模型是对物理世界规律的完整建模，用来生成场景、训练算法、验证安全；
车端只需要轻量化的短时预测能力，知识通过蒸馏从云端迁移而来。
在技术架构上，世界模型与 VLA 并非替代关系，而是协同架构。
VLA 负责语言对齐、可解释决策，比如识别交警手势、理解复杂指令，实现「知其然且知其所以然」；
世界模型+强化学习则解决更底层问题，让 AI 在虚拟物理环境中自主学习最优策略，不再单纯模仿人类驾驶，而是生长出「智慧」。

二者分工协作、统一训练，共同构成轻舟从 L2++到 L4 通用的物理 AI 技术底座。

这也是轻舟首次明确提出的「物理 AI 第一性原理」：所有跟物理世界发生深度交互、处理复杂多任务的 AI，都是物理 AI。

但这与 ChatGPT 这类语言模型有本质不同。语言模型知道「杯子会碎」，但不真正理解重力、硬度、动量在时空中如何相互作用。

而物理 AI 建立了对三维空间、物理规律、因果关系的认知。而这，才是通向真正无人驾驶的唯一通路。

技术路线确立之后，真正的考验才开始：如何把「世界模型」从一个概念，变成能上车的工程？

用架构兑现信任，

比堆算力更难

云端训练、车端执行，正在成为智驾供应商的主流架构选择。

轻舟把这套架构分成了云端和车端两部分。

云端世界模型，相当于一个超级教练。

通过仿真引擎生成现实中难以遇到的罕见场景，再基于强化学习策略网络，在虚拟环境中设置安全惩罚机制，碰撞、危险切入、抢行等高风险行为会直接触发惩罚，让模型在虚拟世界中学会规避策略，不用再靠数百万公里路测去「碰」极端 case。

车端世界行为模型则以在线世界模型为主干，专注实时感知、预判、决策与控车。

轻舟智航 CTO 李栋解释，云端大模型的驾驶知识，会通过蒸馏或数据生成的方式迁移到车端，二者架构高度同构，只是车端受算力限制需要做工程化压缩。

车端+云端这套架构设计的出发点，不是炫技，而是一个非常朴素的目标：让用户敢把方向盘交出去。

轻舟把 AEB 误触发率压到 50 万公里不足 1 次，远优于行业平均水平，原因正在于此。

AEB 误触发，最直接的风险是让后车追尾，但更隐蔽的伤害在于：几次莫名其妙的急刹之后，用户会在心理上形成「系统不可信」的判断，不敢真正把控制权交给 AI。

用户越不信任，接管频率越高，模型拿不到足够的边缘场景数据，迭代就会停滞。这个负循环，是很多智驾公司功能做出来却卖不动的真实原因。

轻舟把这个指标当成核心，比的不是参数，是用户对 AI 司机的信任。

于骞对这件事的想法更直接。

「既然我们的智驾系统能做到 50 万公里才一次 AEB 误触发，既然它能帮用户提前刹停、避免刮蹭，那它是不是真的更安全？如果真的更安全，那用户的保费是不是应该更便宜？」在他看来，这才是智驾创造社会价值的真实度量。

这套架构最直接的产品化呈现，是今年北京车展上正式推出的「轻舟乘风 MAX」——在超 500TOPS 的车端算力平台上，跑通了基于世界模型+强化学习的城市 NOA 完整方案。

于骞对这件事的定位很直接：「不卷参数，卷体验。用户买的不是技术，是价值。」

虽然算力门槛还在上移，竞争焦点正在从「有没有城市 NOA」转向「谁的体验更好」。功能趋同之后，拼的是调教，是数据，是迭代速度。

轻舟押注的恰恰是这个转折点之后的逻辑：

当算力不再是壁垒，模型能力和数据闭环才是真正难以复制的壁垒。每年帮用户避免 14.6 万次潜在事故，这个数字背后，是物理 AI 架构在现实世界里持续自我验证的能力。

目前，轻舟国内合作主机厂已达 10 家，量产车型累计超过 25 款，2026 年预计新增车型超 50 款，全年搭载量有望冲击新的百万台量级。

L4 的门槛，

最终只剩一个问题

L2++量产的数据和能力，能直接复用到 L4 吗？

轻舟的回答是：不仅能，而且必须这样做。

L4 不是 L2++的平行赛道，而是同一套物理 AI 架构在不同约束条件下的延伸。量产乘用车跑出来的世界模型，天然就是 L4 无人驾驶的训练基础。

在 L4 无人驾驶领域，轻舟智航从早期的 Robobus 无人巴士，到如今重点发力 Robotaxi 无人出租车与 Robovan 无人物流车，形成了相对完整的 L4 产品布局。

其中 Robovan 无人物流车是轻舟 L4 技术的核心落地成果，依托乘用车量产的车规级技术、数据与供应链，整车按量产标准打造。

传感器、计算平台、底盘均按车规标准设计制造，稳定性直接继承量产乘用车体系。

这套方案成本控制在1万元以内，显著低于同类产品行业平均值。目前轻舟已在芜湖、金华、宁波等多个城市规模化运营。

在 Robotaxi 无人出租车领域，轻舟团队源自 Waymo，但走出了明确的差异化路径：不盲目堆传感器冗余，而是以「更强大脑」为核心。

于骞对行业两条主流路线做了判断：Waymo 稳妥但成本高，特斯拉成本可控但向完全无人跨越时风险大。

轻舟的选择是第三条路——「用更强的大脑，并非只靠传感器堆叠」。

轻舟智航 CTO 李栋的判断直接：「道路上其他交通参与者的行为不可控，但可预期。只要模型能力足够强，就能对最差情况提前做出预判与应对。」

人类老司机开车有大量盲区，依然能安全驾驶，靠的是大脑，而不是全身长满眼睛。必要的冗余要有，但核心是建立更强的 AI 大脑。

Waymo 用传感器冗余覆盖感知盲区，本质是在「硬件层」解决不确定性。

轻舟用世界模型覆盖行为预判，是在「认知层」解决不确定性。

前者的天花板是传感器数量，后者的天花板是模型能力。这是两条路线最本质的分歧。

轻舟的 Robotaxi 从设计之初就面向量产，不做实验室 Demo 式炫技，全部围绕真实道路运营展开。

系统依靠世界模型实时理解路况、预判行人与车辆意图，再通过海量数据持续强化学习，实现危险提前规避、复杂场景稳妥处理。

对于商业化节奏，于骞判断相对谨慎：

中国市场 Robotaxi 大范围普及大概率要等到 2028 年之后，无人驾驶对安全可靠性要求极高，必须以更谨慎的态度推进；
而海外受人力成本结构影响，商业化落地节奏可能快于国内。

从 Robovan 到 RoboTaxi，轻舟 L4 的路径指向同一个问题：物理 AI 的「门槛」到底是什么？

李栋给出了一个比较具体的答案：

「当模型能力足够强，一个人能看住 1000 辆车稳定运营的时候，L4 才算真正跑通了。」

这个标准，把所有的技术路线之争，最终归结为一件事：AI 大脑够不够强。而大脑的强弱，只有在真实物理世界的持续运营中才能被验证。

在业务边界上，轻舟的逻辑很直接：

先把自动驾驶做透，沉淀物理 AI 的技术和数据资产，再往机器人等更广阔的场景延伸。

而机器人的底层逻辑，和自动驾驶没有本质区别，都是通用物理 AI 在不同形态下的展开。

物理 AI，正在尝试改变机器与世界互动的方式，这是一场比自动驾驶更长的战役。

这是轻舟押注的赛道，也是于骞口中那条「20 年的长坡」。雪球已经在滚了。

本文来自网友投稿或网络内容，如有侵犯您的权益请联系我们删除，联系邮箱：wyl860211@qq.com 。

自动驾驶的终局,是更强的 AI 大脑

最新文章

热门文章

随机文章

自动驾驶的终局,是更强的 AI 大脑

德系(最美轿车)

不到20万享华为全家桶!6座大型SUV华境S 5月8日登场

最新文章

热门文章

随机文章